CN116778333A - 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 - Google Patents
一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 Download PDFInfo
- Publication number
- CN116778333A CN116778333A CN202310756610.3A CN202310756610A CN116778333A CN 116778333 A CN116778333 A CN 116778333A CN 202310756610 A CN202310756610 A CN 202310756610A CN 116778333 A CN116778333 A CN 116778333A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- area
- preset
- sensing image
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 241000526900 Camellia oleifera Species 0.000 title claims abstract description 44
- 230000011218 segmentation Effects 0.000 claims abstract description 114
- 241001122767 Theaceae Species 0.000 claims abstract description 100
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 20
- 239000003921 oil Substances 0.000 description 96
- 238000012549 training Methods 0.000 description 30
- 239000002689 soil Substances 0.000 description 28
- 238000012795 verification Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 8
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 6
- 240000003553 Leptospermum scoparium Species 0.000 description 6
- 235000015459 Lycium barbarum Nutrition 0.000 description 6
- 235000018597 common camellia Nutrition 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000004720 fertilization Effects 0.000 description 6
- 239000003337 fertilizer Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 240000001548 Camellia japonica Species 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 239000010495 camellia oil Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000209507 Camellia Species 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供了一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统,该方法包括:获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;判断所述特征相似度是否大于或等于预设的相似度阈值;若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;将生长预测信息按照预定的方式传输至终端;通过对遥感影像进行语义分割,并通过生长预测模型对油茶林生长趋势进行实时预测,提高预测精度。
Description
技术领域
本申请涉及生长趋势预测领域,具体而言,涉及一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统。
背景技术
油茶是山茶科山茶属小乔木或灌木。油茶幼枝被粗毛;叶革质,椭圆形或倒卵形,先端钝尖,基部楔形,下面中脉被长毛,具细齿,叶柄被粗毛;花顶生,革质,宽卵形,花瓣白色,倒卵形,雄蕊花丝近离生;朔果球形;遥感是指非接触的,远距离的探测技术。一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。遥感是通过遥感器这类对电磁波敏感的仪器,在远离目标和非接触目标物体条件下探测目标地物,通过分析遥感影像信息可以识别油茶林分布信息以及生长趋势,从而对油茶林的生长进行预测,现有的油茶林生长预测方法准确度较差,无法精准的进行预测油茶林的生长,造成预测偏差较大,针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统,可以通过对遥感影像进行语义分割,并通过生长预测模型对油茶林生长趋势进行实时预测,提高预测精度的技术。
本申请实施例还提供了一种基于卫星遥感影像识别的油茶林生长趋势预测方法,包括:
获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;
提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;
判断所述特征相似度是否大于或等于预设的相似度阈值;
若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;
若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;
将生长预测信息按照预定的方式传输至终端。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测方法中,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
获取遥感影像,将遥感影像随机分割成若干个图像域,计算图像域像素灰度值;
将邻域的两个图像域像素灰度值与第一灰度均值进行比较,得到灰度变化率;
判断所述灰度变化率是否大于预设的灰度变化率阈值;
若大于,则将图像域进行分割面积进行调整;
若小于,则图像域进行叠加计算,得到图像域叠加面积。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测方法中,所述若大于,则将图像域进行分割面积进行调整,包括:
获取分割面积大小,将分割面积与预设的面积值进行差值计算,得到分割面积差值;
判断所述分割面积差值是否大于预设的面积阈值;
若大于,则生成第二灰度均值,根据第二灰度均值将遥感影像进行二次分割;
若小于,则生成灰度均值调整量,根据灰度均值调整量,对第一灰度均值进行等量调整。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测方法中,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
通过设定的分割算法将遥感影像分割成若干个小区域遥感影像;
将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像;
获取合并遥感影像参数信息,
将合并遥感影像参数信息与预设的遥感影像参数信息进行比较,得到合并偏差率;
判断所述合并偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则将合并遥感影像按照合并的倒序原则进行依次拆分;
若小于,则继续将小区域遥感影像进行合并。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测方法中,所述将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像,包括:
获取小区域遥感影像合并数量值;
将所述合并数量值与预设的阈值进行数量差值计算;
若小于预设的阈值,则将对应数量的小区域遥感影像进行合并融合;
若大于,则将与差值相等数量的小区域遥感影像进行裂分。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测方法中,所述若大于,则将与差值相等数量的小区域遥感影像进行裂分,包括:
获取小区域遥感影像属性信息,将小区域遥感影像属性信息与合并后的遥感影像属性信息进行相似度计算,得到相似度;
判断所述相似度是否大于预设的相似度阈值;
若大于,则根据差值生成裂分数量,根据裂分数量将最后融合的相同数量的小区域遥感影像进行依次裂分;
若小于,则将对应的小区域遥感影像进行裂分。
第二方面,本申请实施例提供了一种基于卫星遥感影像识别的油茶林生长趋势预测系统,该系统包括:存储器及处理器,所述存储器中包括基于卫星遥感影像识别的油茶林生长趋势预测方法的程序,所述基于卫星遥感影像识别的油茶林生长趋势预测方法的程序被所述处理器执行时实现以下步骤:
获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;
提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;
判断所述特征相似度是否大于或等于预设的相似度阈值;
若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;
若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;
将生长预测信息按照预定的方式传输至终端。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测系统中,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
获取遥感影像,将遥感影像随机分割成若干个图像域,计算图像域像素灰度值;
将邻域的两个图像域像素灰度值与第一灰度均值进行比较,得到灰度变化率;
判断所述灰度变化率是否大于预设的灰度变化率阈值;
若大于,则将图像域进行分割面积进行调整;
若小于,则图像域进行叠加计算,得到图像域叠加面积。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测系统中,所述若大于,则将图像域进行分割面积进行调整,包括:
获取分割面积大小,将分割面积与预设的面积值进行差值计算,得到分割面积差值;
判断所述分割面积差值是否大于预设的面积阈值;
若大于,则生成第二灰度均值,根据第二灰度均值将遥感影像进行二次分割;
若小于,则生成灰度均值调整量,根据灰度均值调整量,对第一灰度均值进行等量调整。
可选地,在本申请实施例所述的基于卫星遥感影像识别的油茶林生长趋势预测系统中,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
通过设定的分割算法将遥感影像分割成若干个小区域遥感影像;
将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像;
获取合并遥感影像参数信息,
将合并遥感影像参数信息与预设的遥感影像参数信息进行比较,得到合并偏差率;
判断所述合并偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则将合并遥感影像按照合并的倒序原则进行依次拆分;
若小于,则继续将小区域遥感影像进行合并。
由上可知,本申请实施例提供的一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统,通过获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;判断所述特征相似度是否大于或等于预设的相似度阈值;若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;将生长预测信息按照预定的方式传输至终端;通过对遥感影像进行语义分割,并通过生长预测模型对油茶林生长趋势进行实时预测,提高预测精度。
本申请的其他特征和优点将在随后的说明书阐述,并且,本申请的优点可以从说明书中显而易见的推断出,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于卫星遥感影像识别的油茶林生长趋势预测方法的流程图;
图2为本申请实施例提供的基于卫星遥感影像识别的油茶林生长趋势预测方法的分割面积调整流程图;
图3为本申请实施例提供的基于卫星遥感影像识别的油茶林生长趋势预测方法的灰度均值调整流程图;
图4为本申请实施例提供的基于卫星遥感影像识别的油茶林生长趋势预测方法的小区域遥感影像合并流程图;
图5为本申请实施例提供的基于卫星遥感影像识别的油茶林生长趋势预测方法的油茶林种植状态调整流程图;
图6为本申请实施例提供的基于卫星遥感影像识别的油茶林生长趋势预测系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的一种基于卫星遥感影像识别的油茶林生长趋势预测方法的流程图。该基于卫星遥感影像识别的油茶林生长趋势预测方法用于终端设备中,该基于卫星遥感影像识别的油茶林生长趋势预测方法,包括以下步骤:
S101,获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;
S102,提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;
S103,判断特征相似度是否大于或等于预设的相似度阈值;
S104,若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;
S105,若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;
S106,将生长预测信息按照预定的方式传输至终端。
需要说明的是,遥感通过人造地球卫星、航空等平台上的遥测仪器把对地球表面实施感应遥测和资源管理的监视(如树木、草地、土壤、水、矿物、农家作物、鱼类和野生动物等的资源管理)结合起来的一种新技术,遥感是指一切无接触的远距离的探测技术。运用现代化的运载工具和传感器,从远距离获取目标物体的电磁波特性,通过该信息的传输、贮存、卫星、修正、识别目标物体,最终实现其功能。
请参照图2,图2是本申请一些实施例中的一种基于卫星遥感影像识别的油茶林生长趋势预测方法的分割面积调整流程图。根据本发明实施例,获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
S201,获取遥感影像,将遥感影像随机分割成若干个图像域,计算图像域像素灰度值;
S202,将邻域的两个图像域像素灰度值与第一灰度均值进行比较,得到灰度变化率;
S203,判断灰度变化率是否大于预设的灰度变化率阈值;
S204,若大于,则将图像域进行分割面积进行调整;
S205,若小于,则图像域进行叠加计算,得到图像域叠加面积。
需要说明的是,基于区域的分割方法利用定义的规则将图像聚合为不同的子区域,基于区域分割的方法对噪声可以更好的进行过滤,适用于强度变化较明显的图像,且耗时较短。
请参照图3,图3是本申请一些实施例中的一种基于卫星遥感影像识别的油茶林生长趋势预测方法的灰度均值调整流程图。根据本发明实施例,若大于,则将图像域进行分割面积进行调整,包括:
S301,获取分割面积大小,将分割面积与预设的面积值进行差值计算,得到分割面积差值;
S302,判断分割面积差值是否大于预设的面积阈值;
S303,若大于,则生成第二灰度均值,根据第二灰度均值将遥感影像进行二次分割;
S304,若小于,则生成灰度均值调整量,根据灰度均值调整量,对第一灰度均值进行等量调整。
需要说明的是,阈值分割算法基于图像的分割面积并输入预测模型进行子区域判断识别,该方法首先确定一个或多个阈值,并将子区域面积与面积阈值进行比较,从而获取子区域的具体类别,可以很好地处理对噪声、光照等易造成像素值突变的情况。
请参照图4,图4是本申请一些实施例中的一种基于卫星遥感影像识别的油茶林生长趋势预测方法的小区域遥感影像合并流程图。根据本发明实施例,获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
S401,通过设定的分割算法将遥感影像分割成若干个小区域遥感影像;
S402,将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像;
S403,获取合并遥感影像参数信息;
S404,将合并遥感影像参数信息与预设的遥感影像参数信息进行比较,得到合并偏差率;
S405,判断合并偏差率是否大于或等于预设的偏差率阈值;
S406,若大于或等于,则将合并遥感影像按照合并的倒序原则进行依次拆分;若小于,则继续将小区域遥感影像进行合并。
需要说明的是,通过对遥感影像进行合并,保证遥感影像的反应信息更加贴近油茶林的实际生长状态,从而可以更好的预测油茶林的生长,提高预测精度。
根据本发明实施例,将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像,包括:
获取小区域遥感影像合并数量值;
将合并数量值与预设的阈值进行数量差值计算;
若小于预设的阈值,则将对应数量的小区域遥感影像进行合并融合;
若大于,则将与差值相等数量的小区域遥感影像进行裂分。
需要说明的是,将小区域遥感影像进行合并,合并过程中保证合并的小区域遥感影像的数量等于预测设阈值,实现合并后的遥感影像可以精准的反应油茶林的分布信息及状态信息,使油茶林生长预测结果更加贴近实际值。
根据本发明实施例,若大于,则将与差值相等数量的小区域遥感影像进行裂分,包括:
获取小区域遥感影像属性信息,将小区域遥感影像属性信息与合并后的遥感影像属性信息进行相似度计算,得到相似度;
判断相似度是否大于预设的相似度阈值;
若大于,则根据差值生成裂分数量,根据裂分数量将最后融合的相同数量的小区域遥感影像进行依次裂分;
若小于,则将对应的小区域遥感影像进行裂分。
需要说明的是,遥感影像的裂分可以理解为融合过度,然后将多余融合的小区域遥感影像进行再次拆分出来,保证合并后的遥感影像属性偏差较小。
请参照图5,图5是本申请一些实施例中的一种基于卫星遥感影像识别的油茶林生长趋势预测方法的油茶林种植状态调整流程图。根据本发明实施例,获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
S501,提取若干个子区域特征数据,将若干个子区域特征数据输入预设的油茶林生长模型,得到油茶林生长信息;
S502,根据油茶林生长信息生成油茶林生产状况信息与产量信息;
S503,根据油茶林生茶状况信息与产量信息生成生长预测信息;
S504,将生长预测信息与预设生长信息进行比较,得到生长偏差率;
S505,判断生长偏差率是否大于或等于预设的生长偏差率阈值;
S506,若大于或等于,则生成油茶林调整信息,根据油茶林调整信息对油茶林的种植状态进行调整;若小于,判定油茶林生长预测满足要求。
需要说明的是,根据油茶林的生长预测结果对油茶林的种植进行调整,保证油茶林的种植状态,更加精准的对油茶林的生长进行预测,提高预测精度。
根据本发明实施例,若大于或等于,则生成油茶林调整信息,根据油茶林调整信息对油茶林的种植状态进行调整,包括:
油茶林的种植状态包括油茶林的种植光照条件,种植温度、施肥种类、不同肥料之间的施肥配比信息、种植时间、油茶林种植间距信息。
需要说明的是,种植温度的不同也会影响油茶林的生长速度及生长状态,根据历史大数据获取不同的地质或地貌下的土壤温度数据与环境温度数据;
根据土壤温度数据与环境温度数据生成参数变量,对生长预测模型进行优化,生成土壤温度数据与油茶林的生长关系曲线,记为第一生长曲线,以及环境温度数据与油茶林之间的生长关系曲线,记为第二生长曲线;
判断土壤温度数据与环境温度数据之间的差值,得到温度差值;
根据温度差值判断第一生长曲线与第二生长曲线之间的欧氏距离,得到距离信息;
判断距离信息是否小于预设的距离值,若小于,则判定第一生长曲线与第二生长曲线接近油茶林实际生长状态;
若大于或等于,则生长补偿信息,根据补偿信息调整施肥种类,以及不同肥料之间的配比,从而对土壤温度进行修正。
需要说明的是,肥料在对油茶林使用过程中,通过改变土壤结构,土壤内微生物的分布,可以适量的改变土壤的内部温度值,从而可以辅助调整土壤温度,使第一生长曲线与第二生长曲线更加贴近实际生长状态。
种植海拔同样会影响土壤温度与环境温度,土壤温度与环境温度可以通过计算油茶林种植海拔进行动态调整。
通过生长预测模型进行实时预测油茶林的生长趋势,若生长趋势不满足要求时,可以通过调整种植间距,即铲除部分油茶林扩大种植间距进行调整油茶林的实际生长状态,从而实时对油茶林的种植进行优化调整。
根据本发明实施例,若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息,包括:
通过大数据获取训练集数据,通过训练集数据对生长预测模型进行迭代计算,并生成训练结果;
判断训练结果是否收敛;
若收敛,则停止训练;
若不收敛,则继续对生长预测模型进行迭代计算,直至训练结果收敛。
需要说明的是,将数据集划分为训练集、验证集、测试集三部分,在训练集上对模型进行迭代训练,对得到的模型,在验证集上用相应的评价指标进行评估,在测试集上对测试数据进行预测。
通过验证集对生长预测模型进行验证过程如下:
通过验证数据进行评估预测模型的参数,并得到评估信息;
将评估信息与预设的评估信息进行比较,并判断验证数据是否满足要求;
判断验证数据是否满足要求,若满足,则判定生长预测模型精准,并生成专家数据库,根据专家数据库生成油茶林的种植方案,可以为下一季种植提供参考数据;
若不满足要求,则生成补偿信息,根据补偿信息调整生长预测模型的参数。
根据本发明实施例,通过大数据获取训练集数据,通过训练集数据对生长预测模型进行迭代计算,并生成训练结果,包括:
获取迭代次数,将迭代次数与预设的迭代次数进行比较,得到次数差值;
判断次数差值是否等于预设的迭代次数;
若等于,则判断迭代结果是否满足训练要求;
若满足,则将迭代次数进行记录存储;
若不等于,则计算迭代次数差值;
根据迭代次数差值对训练集数据进行调整更新。
需要说明的是,通过对模型的不断迭代计算,提高模型的预测精度,使模型的预测结果更加接近油茶林的实际生长结果。
根据本发明实施例,还包括:
获取遥感影像信息,根据遥感影像信息提取纹理特征;
根据纹理特征识别油茶林枝干边缘区域,生成油茶林枝干参数信息;
设定采样时间间隔,生成时间阈值,再次识别枝干参数信息;
将不同时间间隔小的枝干参数信息进行比较,得到枝干生长信息;
根据枝干生长信息计算油茶林生长趋势预测。
需要说明的是,通过不同的时间段或不同的季节提取油茶林枝干的尺寸,进行判断油茶林生长的情况,从而根据尺寸的变化进行计算油茶林的生长趋势,实现油茶林生长趋势的多参数判断预测,尺寸的变化包括油茶林枝干长度变化或油茶林枝干径向生长产生的变化量。
请参照图6,图6是本申请一些实施例中的一种基于卫星遥感影像识别的油茶林生长趋势预测系统的结构示意图。第二方面,本申请实施例提供了一种基于卫星遥感影像识别的油茶林生长趋势预测系统6,该系统包括:存储器61及处理器62,所述存储器61中包括基于卫星遥感影像识别的油茶林生长趋势预测方法的程序,所述基于卫星遥感影像识别的油茶林生长趋势预测方法的程序被所述处理器执行时实现以下步骤:
获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;
提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;
判断所述特征相似度是否大于或等于预设的相似度阈值;
若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;
若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;
将生长预测信息按照预定的方式传输至终端。
需要说明的是,遥感通过人造地球卫星、航空等平台上的遥测仪器把对地球表面实施感应遥测和资源管理的监视(如树木、草地、土壤、水、矿物、农家作物、鱼类和野生动物等的资源管理)结合起来的一种新技术,遥感是指一切无接触的远距离的探测技术。运用现代化的运载工具和传感器,从远距离获取目标物体的电磁波特性,通过该信息的传输、贮存、卫星、修正、识别目标物体,最终实现其功能。
根据本发明实施例,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
获取遥感影像,将遥感影像随机分割成若干个图像域,计算图像域像素灰度值;
将邻域的两个图像域像素灰度值与第一灰度均值进行比较,得到灰度变化率;
判断所述灰度变化率是否大于预设的灰度变化率阈值;
若大于,则将图像域进行分割面积进行调整;
若小于,则图像域进行叠加计算,得到图像域叠加面积。
需要说明的是,基于区域的分割方法利用定义的规则将图像聚合为不同的子区域,基于区域分割的方法对噪声可以更好的进行过滤,适用于强度变化较明显的图像,且耗时较短。
根据本发明实施例,所述若大于,则将图像域进行分割面积进行调整,包括:
获取分割面积大小,将分割面积与预设的面积值进行差值计算,得到分割面积差值;
判断所述分割面积差值是否大于预设的面积阈值;
若大于,则生成第二灰度均值,根据第二灰度均值将遥感影像进行二次分割;
若小于,则生成灰度均值调整量,根据灰度均值调整量,对第一灰度均值进行等量调整。
需要说明的是,阈值分割算法基于图像的分割面积并输入预测模型进行子区域判断识别,该方法首先确定一个或多个阈值,并将子区域面积与面积阈值进行比较,从而获取子区域的具体类别,可以很好地处理对噪声、光照等易造成像素值突变的情况。
根据本发明实施例,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
通过设定的分割算法将遥感影像分割成若干个小区域遥感影像;
将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像;
获取合并遥感影像参数信息,
将合并遥感影像参数信息与预设的遥感影像参数信息进行比较,得到合并偏差率;
判断所述合并偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则将合并遥感影像按照合并的倒序原则进行依次拆分;
若小于,则继续将小区域遥感影像进行合并。
需要说明的是,通过对遥感影像进行合并,保证遥感影像的反应信息更加贴近油茶林的实际生长状态,从而可以更好的预测油茶林的生长,提高预测精度。
根据本发明实施例,将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像,包括:
获取小区域遥感影像合并数量值;
将合并数量值与预设的阈值进行数量差值计算;
若小于预设的阈值,则将对应数量的小区域遥感影像进行合并融合;
若大于,则将与差值相等数量的小区域遥感影像进行裂分。
需要说明的是,将小区域遥感影像进行合并,合并过程中保证合并的小区域遥感影像的数量等于预测设阈值,实现合并后的遥感影像可以精准的反应油茶林的分布信息及状态信息,使油茶林生长预测结果更加贴近实际值。
根据本发明实施例,若大于,则将与差值相等数量的小区域遥感影像进行裂分,包括:
获取小区域遥感影像属性信息,将小区域遥感影像属性信息与合并后的遥感影像属性信息进行相似度计算,得到相似度;
判断相似度是否大于预设的相似度阈值;
若大于,则根据差值生成裂分数量,根据裂分数量将最后融合的相同数量的小区域遥感影像进行依次裂分;
若小于,则将对应的小区域遥感影像进行裂分。
需要说明的是,遥感影像的裂分可以理解为融合过度,然后将多余融合的小区域遥感影像进行再次拆分出来,保证合并后的遥感影像属性偏差较小。
根据本发明实施例,获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
提取若干个子区域特征数据,将若干个子区域特征数据输入预设的油茶林生长模型,得到油茶林生长信息;
根据油茶林生长信息生成油茶林生产状况信息与产量信息;
根据油茶林生茶状况信息与产量信息生成生长预测信息;
将生长预测信息与预设生长信息进行比较,得到生长偏差率;
判断生长偏差率是否大于或等于预设的生长偏差率阈值;
若大于或等于,则生成油茶林调整信息,根据油茶林调整信息对油茶林的种植状态进行调整;若小于,判定油茶林生长预测满足要求。
需要说明的是,根据油茶林的生长预测结果对油茶林的种植进行调整,保证油茶林的种植状态,更加精准的对油茶林的生长进行预测,提高预测精度。
根据本发明实施例,若大于或等于,则生成油茶林调整信息,根据油茶林调整信息对油茶林的种植状态进行调整,包括:
油茶林的种植状态包括油茶林的种植光照条件,种植温度、施肥种类、不同肥料之间的施肥配比信息、种植时间、油茶林种植间距信息。
需要说明的是,种植温度的不同也会影响油茶林的生长速度及生长状态,根据历史大数据获取不同的地质或地貌下的土壤温度数据与环境温度数据;
根据土壤温度数据与环境温度数据生成参数变量,对生长预测模型进行优化,生成土壤温度数据与油茶林的生长关系曲线,记为第一生长曲线,以及环境温度数据与油茶林之间的生长关系曲线,记为第二生长曲线;
判断土壤温度数据与环境温度数据之间的差值,得到温度差值;
根据温度差值判断第一生长曲线与第二生长曲线之间的欧氏距离,得到距离信息;
判断距离信息是否小于预设的距离值,若小于,则判定第一生长曲线与第二生长曲线接近油茶林实际生长状态;
若大于或等于,则生长补偿信息,根据补偿信息调整施肥种类,以及不同肥料之间的配比,从而对土壤温度进行修正。
需要说明的是,油茶林的生长通过生长高度、躯干长度以及躯干的径向尺寸等多个参数进行表现,此外可以理解的是,油茶林的生长表现形式不仅仅限于这几种,本领域技术人员可以在实际的判断过程中进行合理的推断以及经验判断进行选择或调整表现形式。
需要说明的是,肥料在对油茶林使用过程中,通过改变土壤结构,土壤内微生物的分布,可以适量的改变土壤的内部温度值,从而可以辅助调整土壤温度,使第一生长曲线与第二生长曲线更加贴近实际生长状态。
种植海拔同样会影响土壤温度与环境温度,土壤温度与环境温度可以通过计算油茶林种植海拔进行动态调整。
通过生长预测模型进行实时预测油茶林的生长趋势,若生长趋势不满足要求时,可以通过调整种植间距,即铲除部分油茶林扩大种植间距进行调整油茶林的实际生长状态,从而实时对油茶林的种植进行优化调整。
根据本发明实施例,若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息,包括:
通过大数据获取训练集数据,通过训练集数据对生长预测模型进行迭代计算,并生成训练结果;
判断训练结果是否收敛;
若收敛,则停止训练;
若不收敛,则继续对生长预测模型进行迭代计算,直至训练结果收敛。
需要说明的是,将数据集划分为训练集、验证集、测试集三部分,在训练集上对模型进行迭代训练,对得到的模型,在验证集上用相应的评价指标进行评估,在测试集上对测试数据进行预测。
通过验证集对生长预测模型进行验证过程如下:
获取验证集数据,将验证集数据输入生长预测模型,进行循环预测,得到验证数据;
通过验证数据进行评估预测模型的参数,并得到评估信息;
将评估信息与预设的评估信息进行比较,并判断验证数据是否满足要求;
判断验证数据是否满足要求,若满足,则判定生长预测模型精准,并生成专家数据库,根据专家数据库生成油茶林的种植方案,可以为下一季种植提供参考数据;
若不满足要求,则生成补偿信息,根据补偿信息调整生长预测模型的参数。
根据本发明实施例,通过大数据获取训练集数据,通过训练集数据对生长预测模型进行迭代计算,并生成训练结果,包括:
获取迭代次数,将迭代次数与预设的迭代次数进行比较,得到次数差值;
判断次数差值是否等于预设的迭代次数;
若等于,则判断迭代结果是否满足训练要求;
若满足,则将迭代次数进行记录存储;
若不等于,则计算迭代次数差值;
根据迭代次数差值对训练集数据进行调整更新。
需要说明的是,通过对模型的不断迭代计算,提高模型的预测精度,使模型的预测结果更加接近油茶林的实际生长结果。
根据本发明实施例,还包括:
获取遥感影像信息,根据遥感影像信息提取纹理特征;
根据纹理特征识别油茶林枝干边缘区域,生成油茶林枝干参数信息;
设定采样时间间隔,生成时间阈值,再次识别枝干参数信息;
将不同时间间隔小的枝干参数信息进行比较,得到枝干生长信息;
根据枝干生长信息计算油茶林生长趋势预测。
需要说明的是,通过不同的时间段或不同的季节提取油茶林枝干的尺寸,进行判断油茶林生长的情况,从而根据尺寸的变化进行计算油茶林的生长趋势,实现油茶林生长趋势的多参数判断预测,尺寸的变化包括油茶林枝干长度变化或油茶林枝干径向生长产生的变化量。
本发明公开的一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统,通过获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;判断所述特征相似度是否大于或等于预设的相似度阈值;若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;将生长预测信息按照预定的方式传输至终端;通过对遥感影像进行语义分割,并通过生长预测模型对油茶林生长趋势进行实时预测,提高预测精度。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于卫星遥感影像识别的油茶林生长趋势预测方法,其特征在于,包括:
获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;
提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;
判断所述特征相似度是否大于或等于预设的相似度阈值;
若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;
若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;
将生长预测信息按照预定的方式传输至终端。
2.根据权利要求1所述的基于卫星遥感影像识别的油茶林生长趋势预测方法,其特征在于,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
获取遥感影像,将遥感影像随机分割成若干个图像域,计算图像域像素灰度值;
将邻域的两个图像域像素灰度值与第一灰度均值进行比较,得到灰度变化率;
判断所述灰度变化率是否大于预设的灰度变化率阈值;
若大于,则将图像域进行分割面积进行调整;
若小于,则图像域进行叠加计算,得到图像域叠加面积。
3.根据权利要求2所述的基于卫星遥感影像识别的油茶林生长趋势预测方法,其特征在于,所述若大于,则将图像域进行分割面积进行调整,包括:
获取分割面积大小,将分割面积与预设的面积值进行差值计算,得到分割面积差值;
判断所述分割面积差值是否大于预设的面积阈值;
若大于,则生成第二灰度均值,根据第二灰度均值将遥感影像进行二次分割;
若小于,则生成灰度均值调整量,根据灰度均值调整量,对第一灰度均值进行等量调整。
4.根据权利要求3所述的基于卫星遥感影像识别的油茶林生长趋势预测方法,其特征在于,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
通过设定的分割算法将遥感影像分割成若干个小区域遥感影像;
将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像;
获取合并遥感影像参数信息,
将合并遥感影像参数信息与预设的遥感影像参数信息进行比较,得到合并偏差率;
判断所述合并偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则将合并遥感影像按照合并的倒序原则进行依次拆分;
若小于,则继续将小区域遥感影像进行合并。
5.根据权利要求4所述的基于卫星遥感影像识别的油茶林生长趋势预测方法,其特征在于,所述将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像,包括:
获取小区域遥感影像合并数量值;
将所述合并数量值与预设的阈值进行数量差值计算;
若小于预设的阈值,则将对应数量的小区域遥感影像进行合并融合;
若大于,则将与差值相等数量的小区域遥感影像进行裂分。
6.根据权利要求5所述的基于卫星遥感影像识别的油茶林生长趋势预测方法,其特征在于,所述若大于,则将与差值相等数量的小区域遥感影像进行裂分,包括:
获取小区域遥感影像属性信息,将小区域遥感影像属性信息与合并后的遥感影像属性信息进行相似度计算,得到相似度;
判断所述相似度是否大于预设的相似度阈值;
若大于,则根据差值生成裂分数量,根据裂分数量将最后融合的相同数量的小区域遥感影像进行依次裂分;
若小于,则将对应的小区域遥感影像进行裂分。
7.一种基于卫星遥感影像识别的油茶林生长趋势预测系统,其特征在于,该系统包括:存储器及处理器,所述存储器中包括基于卫星遥感影像识别的油茶林生长趋势预测方法的程序,所述基于卫星遥感影像识别的油茶林生长趋势预测方法的程序被所述处理器执行时实现以下步骤:
获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域;
提取若干个子区域特征,将子区域特征与预设的特征值进行相似度计算,得到特征相似度;
判断所述特征相似度是否大于或等于预设的相似度阈值;
若大于或等于,则生成修正信息,根据修正信息对分割规则进行修正调整;
若小于,则获取若干个子区域遥感数据,将若干个子区域遥感数据输入预设的生长预测模型,得到生长预测信息;
将生长预测信息按照预定的方式传输至终端。
8.根据权利要求7所述的基于卫星遥感影像识别的油茶林生长趋势预测系统,其特征在于,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
获取遥感影像,将遥感影像随机分割成若干个图像域,计算图像域像素灰度值;
将邻域的两个图像域像素灰度值与第一灰度均值进行比较,得到灰度变化率;
判断所述灰度变化率是否大于预设的灰度变化率阈值;
若大于,则将图像域进行分割面积进行调整;
若小于,则图像域进行叠加计算,得到图像域叠加面积。
9.根据权利要求8所述的基于卫星遥感影像识别的油茶林生长趋势预测系统,其特征在于,所述若大于,则将图像域进行分割面积进行调整,包括:
获取分割面积大小,将分割面积与预设的面积值进行差值计算,得到分割面积差值;
判断所述分割面积差值是否大于预设的面积阈值;
若大于,则生成第二灰度均值,根据第二灰度均值将遥感影像进行二次分割;
若小于,则生成灰度均值调整量,根据灰度均值调整量,对第一灰度均值进行等量调整。
10.根据权利要求9所述的基于卫星遥感影像识别的油茶林生长趋势预测系统,其特征在于,所述获取遥感影像,设定分割规则,根据分割规则对遥感影像进行语义分割,得到若干个子区域,包括:
通过设定的分割算法将遥感影像分割成若干个小区域遥感影像;
将若干个小区域遥感影像依次按照预定的数量进行合并,得到合并遥感影像;
获取合并遥感影像参数信息,
将合并遥感影像参数信息与预设的遥感影像参数信息进行比较,得到合并偏差率;
判断所述合并偏差率是否大于或等于预设的偏差率阈值;
若大于或等于,则将合并遥感影像按照合并的倒序原则进行依次拆分;
若小于,则继续将小区域遥感影像进行合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756610.3A CN116778333A (zh) | 2023-06-26 | 2023-06-26 | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310756610.3A CN116778333A (zh) | 2023-06-26 | 2023-06-26 | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116778333A true CN116778333A (zh) | 2023-09-19 |
Family
ID=87992647
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310756610.3A Pending CN116778333A (zh) | 2023-06-26 | 2023-06-26 | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778333A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315466A (zh) * | 2023-09-20 | 2023-12-29 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
CN117522900A (zh) * | 2023-12-13 | 2024-02-06 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
CN118095664A (zh) * | 2024-04-28 | 2024-05-28 | 济南城建集团有限公司 | 一种海绵型高架桥生态集水系统及方法 |
-
2023
- 2023-06-26 CN CN202310756610.3A patent/CN116778333A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315466A (zh) * | 2023-09-20 | 2023-12-29 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
CN117315466B (zh) * | 2023-09-20 | 2024-04-09 | 北京佳格天地科技有限公司 | 一种生长监测管理方法及系统 |
CN117522900A (zh) * | 2023-12-13 | 2024-02-06 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
CN117522900B (zh) * | 2023-12-13 | 2024-05-17 | 南京理工大学泰州科技学院 | 一种基于计算机图像处理的遥感影像分析方法 |
CN118095664A (zh) * | 2024-04-28 | 2024-05-28 | 济南城建集团有限公司 | 一种海绵型高架桥生态集水系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116778333A (zh) | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 | |
CN112602563B (zh) | 一种节水灌溉系统及精准灌溉方法 | |
US20180070527A1 (en) | Systems for learning farmable zones, and related methods and apparatus | |
Ok et al. | Evaluation of random forest method for agricultural crop classification | |
US20190107521A1 (en) | System and method for field test management | |
CN113688909B (zh) | 一种生态区土地分类方法、装置及电子设备 | |
CN115630770B (zh) | 一种基于植保无人机的作业效果评价方法、系统及介质 | |
WO2021133310A1 (en) | Agricultural decision support system | |
Kathuria et al. | Development of an automated individual tree detection model using point cloud LiDAR data for accurate tree counts in a Pinus radiata plantation | |
CN112907587A (zh) | 一种基于GEE的Otsu和边缘检测算法的高山林线提取方法 | |
CN116227758A (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
CN114998746A (zh) | 一种耕地土壤环境质量分区方法及系统 | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
Mishra et al. | Crop classification by using dual-pol SAR vegetation indices derived from Sentinel-1 SAR-C data | |
Anindya et al. | IoT Based Climate Prediction System Using Long Short-Term Memory (LSTM) Algorithm as Part of Smart Farming 4.0 | |
Rahmana et al. | Comparative study of extraction features and regression algorithms for predicting drought rates | |
CN113642399A (zh) | 基于sar数据的水田撂荒地识别方法 | |
Singla et al. | Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction. | |
Roy et al. | Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh | |
Verma et al. | A review on land cover classification techniques for major fruit crops in India-Present scenario and future aspects | |
Yadav et al. | Crop disease prediction and solution | |
CN113836188A (zh) | 数据处理方法、装置、服务器及存储介质 | |
WO2021225528A1 (en) | System and method for ai-based improvement of harvesting operations | |
CN117151354B (zh) | 一种农田修复与改良管理方法及系统 | |
CN115830458B (zh) | 基于日光诱导叶绿素荧光的农田灌溉频率确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |